《最优化理论》：运输问题（一）求最小运费【西北角法、最小元素法、伏格尔法】

已于 2022-04-03 15:31:57 修改
阅读量5.1w 收藏 422
点赞数 95
分类专栏： 笔记 文章标签： 最优化理论
于 2022-04-03 15:30:02 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41956139/article/details/123935204
版权

【运筹学】-运输问题(一)(运输问题模型)

西北角法：在单位运价表中，每次从西北角位置选择元素，不考虑单位运价
最小元素法：在单位运价表中，每次选择运价最小的元素
伏格尔法：每次重新计算未被划去的行列的最小元素和次小元素的差额，选择最大差额对应列的最小元素对应的行列

例题

在这里插入图片描述

求解方法

在这里插入图片描述

步骤一：求初始基本可行解

西北角法求解

（1）确定西北角
在这里插入图片描述
（2）标识基变量：确定最大运输量（可接受量） bj 和可提供量 ai
在这里插入图片描述
在这里插入图片描述
（3）确定西北角
在这里插入图片描述

（4）标识基变量：确定最大运输量（可接受量） bj 和可提供量 ai
在这里插入图片描述
在这里插入图片描述
（5）确定西北角
在这里插入图片描述
（6）标识基变量：确定最大运输量（可接受量） bj 和可提供量 ai
在这里插入图片描述
（7）确定西北角
在这里插入图片描述
（8）确定运输表
在这里插入图片描述
（9）确定西北角
在这里插入图片描述
（10）确定运输表
在这里插入图片描述
（11）确定西北角
在这里插入图片描述
（12）确定运输表
在这里插入图片描述
到此，找到了6个基变量，而我们需要的基变量也正是m+n-1=3+4-1=6个，说明我们找到了初始可行解<

最低0.47元/天 解锁文章
陈宝林《最优化理论与算法》超详细学习笔记 （七）————第五章 运输问题
River_J777的博客
08-06 3056
陈宝林《最优化理论与算法》超详细学习笔记 （七）————第五章 运输问题第1节 运输问题的数学模型第2节 表上作业法2.1 确定初始基可行解2.2 最优解的判别2.3 改进的方法——闭回路调整法2.4 表上作业法计算中的问题第3节 产销不平衡的运输问题及其求解方法 第1节 运输问题的数学模型 已知有mmm个生产地点Ai,i=1,2,…,mA_i, i=1,2,…,mAi​,i=1,2,…,m。可供应某种物资，其供应量(产量)分别为ai,i=1,2,…,ma_i, i=1,2,…,mai​,i=1,2,
计算题（二）运筹学中的伏格尔法解决交通运输问题
taizhoufox的专栏
11-05 3万+
伏格尔法 伏格尔法又称差值法，该方法考虑到，某产地的产品如不能按最小运费就近供应，就考虑次小运费，这就有一个差额。差额越大，说明不能按最小运费调运时，运费增加越多。因而对差额最大处，就应当采用最小运费调运。 具体步骤 1.
运输问题的表上作业法（一）：利用伏格尔 (Vogel) 法寻找初始基可行解
m0_46927406的博客
11-21 2万+
Vogel法简介 伏格尔 (Vogel) 法又称差值法。这种方法考虑到某产地的产品如不能按最小运费就近供应，就考虑次小运费，这里就有一个差额，称为罚数。罚数越大，说明不能按最小运费调运时，运费增加越多。因而对罚数最大处，就应当采用最小运费调运。 Vogel法一般能得到一个比用西北角法和最小元素法所得的初始基本可行解更好的初始基本可行解。使用Vogel法时，先计算出各行各列中的罚数（最小的成本系数cij和次小的成本系数cij之间的差的绝对值），在具有最大罚数的行/列中，选择具有最小的cij的方格来填入基变量值
运输问题的基本模型
最新发布
weixin_70682362的博客
04-23 300
运输问题（Transportation Problem）是运筹学中一类经典的线性规划问题，旨在解决从多个到多个的货物运输优化问题，目标是在满足供需约束的前提下最小化总运输成本（或最大化总利润）。其核心是通过合理分配运输量，实现资源的最优配置。
运输问题西北角法
05-11
西北角法求初始可行解，代入初始值Supply,Demand即可求解
运筹学-运输问题-最小元素法
健康平安的活着的专栏
01-10 8098
运输问题
weixin_33778778的博客
03-28 193
https://loj.ac/problem/6011 最大费用最大流 最小费用最大流 #include <bits/stdc++.h> using namespace std; const int maxn = 300; const int inf = 0x3f3f3f3f; int n,m; int ck(int x){ return x; } i...
[网络流24题-2]运输问题
寒雨微凝's Blog
11-22 773
运输问题 《数学一本通》例题。直接最小费用最大流。第二问最大费用最大流可以让费用取反然后跑最小费用最大流。 之后研究过一下这个问题如果销量和产量不等的话可以建一个辅助点费用为0即可。 #include&lt;cstdio&gt; #include&lt;cstring&gt; #include&lt;cmath&gt; #include&lt;algorithm&gt; #include&...
[网络流24题]运输问题
czn的博客
03-14 775
题目传送门 算法：最小费用最大流，最大费用最大流 建图方式： 源点与仓库相连,流量为a[i],费用0 汇点与商店相连,流量为b[i],费用为0 仓库与商店相连，流量无限，费用为c[i][j] 小技巧 最大费用最大流转换成最小费用最大流，方法就是建图的时候把费用变成相反数跑最小费用最大流，最后答案取相反数即可 #include&amp;lt;iostream&amp;gt; #include&amp;lt;cstdio...
运输问题初始解求法MATLAB实现（最小元素、Vogel、西北角）
01-10
包含有最小元素法、Vogel法、西北角法的MATLAB实现。包含补零函数，内有pdf文件介绍
交通运输模型与方法
06-05
交通运输模型与方法
【运筹学】表上作业法 ( 最小元素法分析 | Vogel 方法 )
让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 )
01-06 1万+
一、" 最小元素法 " 分析、 二、Vogel 方法 ( 差额法 )
【运筹学】表上作业法 ( 示例 | 使用 “ 最小元素法 “ 找初始基可行解 )
让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 )
01-07 1万+
一、运输规划问题、 二、找初始基可行解
MOOC运筹学不挂科笔记 求最优调运方案
Lora青蛙的博客
05-10 2501
运筹学笔记 运输问题
热门推荐
Lora青蛙的博客
05-10 3万+
运输问题的数学模型及其结构特征 运输问题的求解方法——表上作业法 产销不平衡的运输问题及其求解方法 1 运输问题的模型及其结构特征
伏格尔法，运输问题详解
独孤行风的博客
04-26 9286
伏格尔法又称差值法，该方法考虑到，某产地的产品如不能按最小运费就近供应，就考虑次小运费，这就有一个差额。差额越大，说明不能按最小运费调运时，运费增加越多。因而对差额最大处，就应当采用最小运费调运。同理也适用于产销量分配。 具体步骤如下： 1.计算每行、列中的最小元素和次小元素的差值，标在表的下方（列差）和右方（行差） 2.找出差额最大的列或行，将运输量赋予该列或行的最小元素 3.删掉供需平衡的行或列 4.循环上诉过程 1.示例如下表： 运费 B1 B2 B3 B4 .
运筹学——运输问题
2303_81838541的博客
11-21 4070
运输问题 以产销平衡问题为例解释运输问题： 在运算中，我们会涉及到两个表：运费表和产销平衡表 运输问题的特点： 运输问题存在可行解，也一定存在最优解 当供应量和需求量都是整数时，则一定存在整数最优解，但也可能存在非整数最优解 有m+n个约束，mn个变量 运输问题系数矩阵的秩为m+n-1；运输问题基变量的个数为m+n-1 求解运输问题的方法(表上作业法)： 第一步个人推荐使用元素差额法： 求最小运价（成本）时优先选择差额
使用伏格尔法解决运输问题
qq_37402392的博客
09-13 2378
物流和供应链管理是当前管理研究的热点和前沿领域。供应链是一个由物流系统和该供应链中的所有单个组织或企业相关活动组成的网络。为满足供应链中顾客需求，需要对商品服务及相关信息，从产地到消费地高效率低成本地流动及储存进行规划、执行和控制。运筹学中对运输模型的研究为达到上述目的提供相应的理论基础。
伏格尔法+位势法 python
01-22
### Python 实现运输问题中的伏格尔逼近法 (VAM) 和位势法 #### 伏格尔逼近法 (VAM) 伏格尔逼近法是一种用于解决运输问题的有效方法，能够提供接近最优解的结果。下面是一个基于给定引用的Python实现： ```python import numpy as np def vogel_approximation_method(cost_matrix, supply, demand): rows = len(supply) cols = len(demand) # 创建副本以防止修改原始数据[^5] cost = copy.deepcopy(cost_matrix) allocation = np.zeros((rows, cols)) while sum(supply) > 0 and sum(demand) > 0: penalty = [] for i in range(rows): sorted_row = sorted(row for row in cost[i] if row != 'X') if len(sorted_row) >= 2: penalty.append(abs(sorted_row[1] - sorted_row[0])) else: penalty.append(float('inf')) for j in range(cols): col = [cost[row][j] for row in range(rows) if cost[row][j] != 'X'] sorted_col = sorted(col) if len(sorted_col) >= 2: penalty[j] = abs(sorted_col[1] - sorted_col[0]) elif not penalty: penalty.append(float('inf')) max_penalty_index = int(np.argmax(penalty)) # 找到最大罚数所在位置[^3] min_cost_in_max_penalty = float('inf') selected_i, selected_j = None, None if max_penalty_index < rows: # 如果是在行中找到的最大罚数 for j in range(cols): if cost[max_penalty_index][j] < min_cost_in_max_penalty and cost[max_penalty_index][j] != 'X': min_cost_in_max_penalty = cost[max_penalty_index][j] selected_i, selected_j = max_penalty_index, j else: # 如果是在列中找到的最大罚数 adjusted_index = max_penalty_index - rows for i in range(rows): if cost[i][adjusted_index] < min_cost_in_max_penalty and cost[i][adjusted_index] != 'X': min_cost_in_max_penalty = cost[i][adjusted_index] selected_i, selected_j = i, adjusted_index allocated_amount = min(supply[selected_i], demand[selected_j]) allocation[selected_i][selected_j] = allocated_amount cost[selected_i][selected_j] = 'X' supply[selected_i] -= allocated_amount demand[selected_j] -= allocated_amount if supply[selected_i] == 0: for k in range(cols): cost[selected_i][k] = 'X' if demand[selected_j] == 0: for l in range(rows): cost[l][selected_j] = 'X' total_cost = sum(allocation * cost_matrix).sum() return allocation, total_cost ``` 此函数接收三个参数：`cost_matrix`, `supply`, 和 `demand`. 它返回分配矩阵以及总费用。 #### 位势法（Stepping Stone Method） 位势法用来检验当前解决方案是否是最优解，并通过调整来改进方案直到达到最优状态。以下是该过程的一个简化版本： ```python def stepping_stone_method(initial_solution, cost_matrix, supply, demand): m, n = initial_solution.shape u = [None] * m v = [None] * n # 初始化u和v向量 u[0] = 0 cells_visited = set() def find_path(i, j): stack = [(i, j)] visited = {(i, j)} while stack: ci, cj = stack[-1] neighbors = [ (ni, nj) for ni, nj in ((ci-1,cj), (ci+1,cj), (ci,cj-1), (ci,cj+1)) if 0<=ni<m and 0<=nj<n and (initial_solution[ni,nj]>0 or (ni==i and nj==j)) and (ni, nj) not in visited ] if any(ni==i and nj==j for ni, nj in neighbors): path = list(reversed(stack[:]+[(i,j)])) return True, path unvisited_neighbors = [cell for cell in neighbors if cell not in visited] if unvisited_neighbors: next_cell = unvisited_neighbors.pop(0) stack.append(next_cell) visited.add(next_cell) else: stack.pop() return False, [] found_cycle, cycle = find_path(-1,-1) while found_cycle: theta = min([initial_solution[x,y] for x,y in cycle[:-1]]) plus_minus = (+theta, -theta)*len(cycle)//2 for idx, (x,y) in enumerate(cycle): initial_solution[x,y] += plus_minus[idx%2] found_cycle, cycle = find_path(-1,-1) improved_allocation = initial_solution.copy() optimal_total_cost = sum(improved_allocation * cost_matrix).sum() return improved_allocation, optimal_total_cost ``` 这段代码实现了位势法的核心逻辑，即寻找闭合回路并据此调整流量分布，从而降低总体成本。
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值